算法的时间复杂度和问题规模_算法的时间复杂度

【大O表示法】算法的渐进时间复杂度：

一般情况下，随着n的增大，T(n)增长最慢的算法为最优算法。 

 

一、推导大O阶的方法1． 用常数1取代运行时间中的所有加法常数。 2．在修改后的运行次数函数中， 只保留最高阶项 。 3．如果最高阶项存在且不是1， 则去除与这个项相乘的常数。得到的结果就是大O阶。

二、时间复杂度的计算规则

1.常数阶 程序中的基本操作按一个操作步骤计算，如执行一个打印语句、算术运算、逻辑运算、赋值运算、字符串拼接、返回值等，每一个操作步骤的时间复杂度为1。 例：

void fun(){     System.out.println("Hello,World");//执行了1次，所以时间复杂度为:O(1)   }

注意：不管这个常数是多少，我们都记作O(1)，而不能是O(3)、O(12)等其他任何数字。 例：

 void fun(){     int i=1;//执行了1次     i=i+1;//执行了1次     System.out.println("Hello");//执行了1次     //1+1+1=3，总共执行了3次，但是时间复杂度为：O(1)   }

事实上无论n为多少，上面的两段代码就是1次和3次执行的差异。 这种与问题的大小无关(n的多少)，执行时间恒定的算法，我们称之为具有O(1)的时间复杂度，又叫常数阶。对于分支结构而言，无论是真，还是假，执行的次数都是恒定的，不会随着n的变大而发生变化 ，所以单纯的分支结构(不包含在循环结构中)，其时间复杂度也是O(1)。 2.线性阶线性阶的循环结构会复杂很多。要确定某个算法的阶次，我们常常需要确定某个特定语句或某个语句集运行的次数。因此，我们要分析算法的复杂度，关键就是要分析循环结构的运行情况。例：

 void fun(int n){         for(int i=0;i<=n;i++){      System.out.println("hello");//执行了n次，所以时间复杂度为:O(n)    }   }

3.对数阶例:

 void fun(int n){    int i=1;    while(i      i=i*2;//循环多少次，i才会大于n？    }   }

我们一起来推导一下：2^k=n(k是循环的次数) 用对数表示为k = log2n,时间复杂度记为O(log2n), 常数可以忽略 ,所以最后是O(logn)称之为对数阶 4.平方阶例：

 void fun(int n){    for(int i=0;i      for(int j=0;j        System.out.println("Hello,World");      }    }   }

上面这个例子，对于内循环的时间复杂度为O(n)，对于外层的循环，不过是内部这个时间复杂度为O(n)的语句，再循环n次。所以这段代码的时间复杂度为O(n^2)。下面我们再来看一个例子：

 void fun(int n,int m){          for (int i=0;i         for (int  j=0;j           System.out.println("Hello,World");         }     }   }

按照上面的分析，如果外循环的循环次数改为了m，时间复杂度就变为O(m×n)。所以我们得出一个结论 ：循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。 对于条件判断语句，总的时间复杂度等于其中 时间复杂度最大的路径 的时间复杂度。

void fun(int n) {    if (n >= 0) {      // 第一条路径时间复杂度为 O(n^2)      for (int i = 0; i < n; i++) {        for (int j = 0; j < n; j++) {          System.out.println("Hello,World");        }      }    } else {      // 第二条路径时间复杂度为 O(n)      for (int j = 0; j < n; j++) {        System.out.println("Hello,World");      }    }      }

此时时间复杂度为 max(O(n^2), O(n))，即 O(n^2)。时间复杂度分析的基本策略是：从内向外分析，从最深层开始分析。如果遇到函数调用，要深入函数进行分析。

三、常见的时间复杂度比较如下： O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3)  O(2^n) 

 

这个就是今天的笔记啦

以后每天学习算法的时候，文章的末尾都会分析一下算法的时间复杂度